用 Edge Strategy Designer 把抽象边缘概念落地为可执行策略草稿:claude-trading-skills 策略设计层实战解析
用 Edge Strategy Designer 把抽象边缘概念落地为可执行策略草稿:claude-trading-skills 策略设计层实战解析
在 claude-trading-skills 的边缘策略研究流水线中,edge-concept-synthesizer 负责把零散的研究票据抽象成概念,而真正把它们变成“可回测、可评审、可导出”的策略,需要经过 edge-strategy-designer 这一层。本文以技能文档 Edge Strategy Designer 为骨架,结合 design_strategy_drafts.py、strategy_draft_schema.md 与配套测试,完整讲清输入契约、三个风险档位的实际数值、按假设类型校准止损/盈亏比/时间止损的算法、RR_FLOOR=1.5 的钳制逻辑,以及导出票据如何交给下游 export_candidate.py。读完后你可以独立运行该脚本、读懂每一份 draft YAML 的字段来源,并能判断一份草稿为什么会通过或卡在评审关口。
1. 这个技能在流水线中的位置
原文档给出的定位非常明确:把概念级假设翻译为具体策略草稿规格,它位于“概念合成之后、流水线导出校验之前”。
从编排技能的流程说明可以确认这一段的完整链路(见 pipeline_flow.md):
OHLCV / Tickets
|
v
[auto_detect] ───> tickets/
|
v
[hints] ───> hints.yaml
|
v
[concepts] ───> edge_concepts.yaml
|
v
[drafts] ───> drafts/*.yaml + exportable_tickets/*.yaml
|
v
[review] <──────────────────────┐
| |
├── PASS → accumulated |
├── REJECT → accumulated |
└── REVISE → [revision] ───┘ (max 2 iterations)
|
v
[export] ───> strategies/<candidate_id>/
同一份文档明确列出了阶段与脚本的对应关系,drafts 阶段即由 skills/edge-strategy-designer/scripts/design_strategy_drafts.py 承担。也就是说,这个技能是唯一把 edge_concepts.yaml 转换成 strategy_drafts/*.yaml 的生产者,评审技能 edge-strategy-reviewer 消费的正是它的输出。
2. 何时使用
原文档给出的三条触发条件,可以理解为这个技能的“入口边界”:
- 你已经有
edge_concepts.yaml,需要产出策略候选; - 你希望每个概念生成多个变体(
core/conservative/research_probe); - 你希望为 interface v1 家族产出可选的导出票据文件。
反过来说,如果手上只有原始票据(tickets)或仅有钱包式想法,还没有经过概念抽象,就应该先回到概念合成环节——因为设计器读取的字段(hypothesis_type、strategy_design.recommended_entry_family、support.representative_conditions、abstraction.thesis)全部由概念层填充。
3. 前置条件
- Python 3.9+
PyYAML(依赖声明见 requirements.txt)- 一份由概念合成产出的
edge_concepts.yaml
脚本仅依赖标准库加 PyYAML,无网络、无 API Key,属于典型的离线研究工具。
4. 输入契约:edge_concepts.yaml 必须长什么样
设计器对输入的处理逻辑集中在 load_concepts():
def load_concepts(path: Path) -> list[dict[str, Any]]:
payload = yaml.safe_load(path.read_text())
if not isinstance(payload, dict):
raise StrategyDesignError("concept file must be a mapping")
concepts = payload.get("concepts", [])
if not isinstance(concepts, list):
raise StrategyDesignError("concept file must contain concepts list")
out = []
for concept in concepts:
if isinstance(concept, dict) and concept.get("id"):
out.append(concept)
return out
由此可以确认三条硬性规则:
- 顶层必须是映射(dict),否则报
concept file must be a mapping; - 必须包含
concepts列表,否则报concept file must contain concepts list; - 缺少
id或id为空的概念会被静默跳过(concept.get("id")为假值即丢弃),字符串形式的条目同样被丢弃。
最后一条有测试直接覆盖:数组中混入 {"title": "no id"}、{"id": ""}、"string-entry" 时,只保留 ok 与 ok2(见 test_design_strategy_drafts_coverage.py)。
概念文件的结构可参照概念合成技能的 schema(concept_schema.md),设计器实际消费的字段如下:
generated_at_utc: "2026-02-22T12:00:00+00:00"
as_of: "2026-02-20"
concept_count: 3
concepts:
- id: edge_concept_breakout_behavior_riskon
title: Participation-backed trend breakout
hypothesis_type: breakout
mechanism_tag: behavior
regime: RiskOn
support:
ticket_count: 7
avg_priority_score: 71.2
symbols: ["XP", "NOK", "FTI"]
representative_conditions:
- close > high20_prev
- rel_volume >= 1.5
abstraction:
thesis: "When liquidity and participation expand ..."
invalidation_signals:
- Breakout fails quickly with volume contraction.
strategy_design:
recommended_entry_family: pivot_breakout
export_ready_v1: true
注意顶层 as_of 会被透传到每份 draft 的 as_of 字段,用于追溯数据基准日;如果写成不带引号的 as_of: 2026-02-20,PyYAML 会解析为日期对象,回写时仍是 as_of: 2026-02-20(测试 test_main_non_dict_as_of_source_is_handled 就固定了这一行为)。
hypothesis_type 的取值范围由概念层约定:breakout、earnings_drift、news_reaction、futures_trigger、calendar_anomaly、panic_reversal、regime_shift、sector_x_stock、research_hypothesis(见 concept_schema.md)。这个取值直接决定第 7 节的出场参数校准结果。
5. 快速开始与完整 CLI 参数
5.1 只生成草稿
python3 skills/edge-strategy-designer/scripts/design_strategy_drafts.py \
--concepts /tmp/edge-concepts/edge_concepts.yaml \
--output-dir /tmp/strategy-drafts \
--risk-profile balanced
5.2 生成草稿 + 可导出票据
python3 skills/edge-strategy-designer/scripts/design_strategy_drafts.py \
--concepts /tmp/edge-concepts/edge_concepts.yaml \
--output-dir /tmp/strategy-drafts \
--exportable-tickets-dir /tmp/exportable-tickets \
--risk-profile conservative
5.3 参数表(依据 parse_args() 与 main())
| 参数 | 必填 | 默认值 | 取值/说明 |
|---|---|---|---|
--concepts |
是 | 无 | edge_concepts.yaml 路径,内部会 resolve() 为绝对路径 |
--output-dir |
否 | reports/edge_strategy_drafts |
草稿 YAML 与 run_manifest.json 的输出目录,自动 mkdir -p |
--risk-profile |
否 | balanced |
conservative / balanced / aggressive,由 choices=sorted(RISK_PROFILES.keys()) 校验 |
--variants-per-concept |
否 | 2 |
每个概念最多生成的变体数;内部以 max(n, 1) 兜底 |
--exportable-tickets-dir |
否 | None |
提供时才写出可导出票据;目录同样自动创建 |
--exportable-families |
否 | None |
逗号分隔的家族白名单,覆盖模块默认集合;空串项会被过滤 |
非法组合的退出行为也已确定:缺少 --concepts 或传入不在枚举内的 --risk-profile 时,argparse 以退出码 2 结束并输出 invalid choice / --concepts 提示(test_parse_args_rejects_bad_risk_profile、test_parse_args_requires_concepts);而概念文件不存在、无可用概念、顶层结构错误则返回 1,并打印 [ERROR] 前缀到 stderr。
成功时标准输出固定为一行汇总:
[OK] drafts=3 exportable_tickets=2 output_dir=/tmp/strategy-drafts
6. 变体生成逻辑:为什么有的概念拿到 2 份、有的只有 1 份
变体选择由 resolve_variants() 决定:
strategy_design = concept.get("strategy_design", {})
export_ready = bool(strategy_design.get("export_ready_v1"))
if export_ready and exportable_families is not None:
recommended = strategy_design.get("recommended_entry_family")
if recommended not in exportable_families:
export_ready = False
if export_ready:
variants = ["core", "conservative"]
else:
variants = ["research_probe"]
return variants[: max(variants_per_concept, 1)]
可以归纳出四条行为:
- 概念标记
export_ready_v1: true→ 产出core与conservative两个变体; - 未标记(或根本没写
strategy_design)→ 只产出research_probe,定位是“小仓位验证假设”; - 传入
--exportable-families时,若概念的recommended_entry_family不在白名单内,会被降级为单一research_probe; --variants-per-concept只做截断,0或负数等价于1;1时只保留列表首个元素(core或research_probe)。
变体本身还会影响仓位规模,由 VARIANT_OVERRIDES 中的 risk_multiplier 实现(见下一节)。
7. 风险档位与变体叠加:把 4 组常量算成具体数字
脚本内置两张常量表:风险档位 RISK_PROFILES 与变体乘数 VARIANT_OVERRIDES。
RISK_PROFILES = {
"conservative": {"risk_per_trade": 0.005, "max_positions": 3, "stop_loss_pct": 0.05, "take_profit_rr": 2.2},
"balanced": {"risk_per_trade": 0.01, "max_positions": 5, "stop_loss_pct": 0.07, "take_profit_rr": 3.0},
"aggressive": {"risk_per_trade": 0.015, "max_positions": 7, "stop_loss_pct": 0.09, "take_profit_rr": 3.5},
}
VARIANT_OVERRIDES = {
"core": {"entry_filter_note": "Use baseline confirmation and trend filter.", "risk_multiplier": 1.0},
"conservative": {"entry_filter_note": "Require stricter confirmation before entry.", "risk_multiplier": 0.75},
"research_probe": {"entry_filter_note": "Probe setup with small size for hypothesis validation.", "risk_multiplier": 0.5},
}
计算规则为:risk_per_trade = round(base * multiplier, 4),max_positions = max(round(base * multiplier), 1)。注意 Python 的 round() 采用银行家舍入,这解释了为什么 research_probe + balanced 得到 2(5 * 0.5 = 2.5 → 取偶到 2)而不是 3。
| 变体 | 风险档位 | risk_per_trade |
max_positions |
来源校验 |
|---|---|---|---|---|
core |
conservative | 0.005 | 3 | test_build_draft_variant_risk_scaling |
conservative |
balanced | 0.0075 | 4 | 同上(5 * 0.75 = 3.75 → 4) |
research_probe |
balanced | 0.005 | 2 | 同上 |
research_probe |
aggressive | 0.0075 | 4 | 同上(7 * 0.5 = 3.5 → 4) |
research_probe |
conservative | 0.0025 | 2 | 同上(3 * 0.5 = 1.5 → 2) |
max_positions 的下限保护为 1:测试通过把 risk_multiplier 改成 0.01,验证 conservative 档位下 max_positions 仍为 1、risk_per_trade 为 0.0001。
这些数值不是随意的——它们与评审技能的风险集中度规则对齐:C6 规定 risk_per_trade > 0.02 失败、> 0.015 警告、max_positions > 10 失败(见 review_criteria.md)。三档风险配置产生的最大单笔风险为 0.015(aggressive + core),恰好落在“警告以下、通过区间边缘”,说明常量的取值是以通过评审为目标反推的。
8. 出场参数校准:HYPOTHESIS_EXIT_OVERRIDES 与 RR_FLOOR
这是本技能最核心的算法贡献。流程说明的第 3~5 步描述的就是它:按假设类型校准出场参数,并用 RR_FLOOR=1.5 钳制盈亏比,防止 C5 评审失败。
8.1 覆盖表
HYPOTHESIS_EXIT_OVERRIDES = {
"breakout": {"stop_loss_multiplier": 0.85, "rr_adjustment": 0.0, "time_stop_days": 20, "trailing_stop_hint": "ATR trailing recommended"},
"futures_trigger": {"stop_loss_multiplier": 0.85, "rr_adjustment": 0.0, "time_stop_days": 20, "trailing_stop_hint": "ATR trailing recommended"},
"earnings_drift": {"stop_loss_multiplier": 1.15, "rr_adjustment": -0.5, "time_stop_days": 10, "trailing_stop_hint": None},
"panic_reversal": {"stop_loss_multiplier": 0.70, "rr_adjustment": -0.7, "time_stop_days": 5, "trailing_stop_hint": None},
"news_reaction": {"stop_loss_multiplier": 0.85, "rr_adjustment": -0.5, "time_stop_days": 7, "trailing_stop_hint": None},
"regime_shift": {"stop_loss_multiplier": 1.0, "rr_adjustment": 0.0, "time_stop_days": 15, "trailing_stop_hint": None},
"sector_x_stock": {"stop_loss_multiplier": 1.0, "rr_adjustment": 0.0, "time_stop_days": 15, "trailing_stop_hint": None},
"calendar_anomaly":{"stop_loss_multiplier": 0.85, "rr_adjustment": -0.5, "time_stop_days": 7, "trailing_stop_hint": None},
}
RR_FLOOR = 1.5
8.2 计算实现
overrides = HYPOTHESIS_EXIT_OVERRIDES.get(hypothesis_type, fallback)
stop_loss_pct = round(base_stop * overrides["stop_loss_multiplier"], 4)
take_profit_rr = round(max(RR_FLOOR, base_rr + overrides["rr_adjustment"]), 2)
result = {
"stop_loss_pct": stop_loss_pct,
"take_profit_rr": take_profit_rr,
"time_stop_days": overrides["time_stop_days"],
}
if overrides.get("trailing_stop_hint"):
result["trailing_stop_hint"] = overrides["trailing_stop_hint"]
要点:
- 止损按乘数缩放,而不是绝对覆盖。因此同一假设类型在不同风险档位下止损宽度不同(
aggressive的 breakout 是 0.0765,balanced是 0.0595)。 - 盈亏比按加减法调整,再与 1.5 取
max。减法意味着“这类假设的现实赔率更低”,而不是“止损更松”。 - 未知假设类型走兜底:
stop_loss_multiplier=1.0、rr_adjustment=0.0、time_stop_days=10、无移动止损提示。兜底分支不会写入trailing_stop_hint键,测试用result == {"stop_loss_pct": 0.07, "take_profit_rr": 3.0, "time_stop_days": 10}精确固定了这一结构。 trailing_stop_hint只在有值时出现,所以breakout、futures_trigger的草稿会多一个键,其他类型没有。
8.3 逐档验算(与测试断言一致)
| 假设类型 | 档位 | 止损计算 | stop_loss_pct |
盈亏比计算 | take_profit_rr |
time_stop_days |
|---|---|---|---|---|---|---|
breakout |
balanced | 0.07 × 0.85 |
0.0595 | 3.0 + 0.0 |
3.0 | 20 |
breakout |
aggressive | 0.09 × 0.85 |
0.0765 | 3.5 + 0.0 |
3.5 | 20 |
earnings_drift |
balanced | 0.07 × 1.15 |
0.0805 | 3.0 − 0.5 |
2.5 | 10 |
panic_reversal |
balanced | 0.07 × 0.70 |
0.049 | 3.0 − 0.7 |
2.3 | 5 |
panic_reversal |
conservative | 0.05 × 0.70 |
0.035 | 2.2 − 0.7 = 1.5 |
1.5(等于下限) | 5 |
| 未知类型 | balanced | 0.07 × 1.0 |
0.07 | 3.0 + 0.0 |
3.0 | 10 |
panic_reversal + conservative 是边界样本:调整后恰好等于 RR_FLOOR,所以不触发钳制但也不越界。
8.4 RR_FLOOR 的真实触发场景
当基准赔率本身就偏低时才会被抬升。测试 test_exit_overrides_rr_floor_clamps_low_result 给出实例:
result = dsd.apply_hypothesis_exit_overrides(0.05, 1.8, "panic_reversal")
# 1.8 - 0.7 = 1.1 < 1.5
assert result["take_profit_rr"] == dsd.RR_FLOOR # 1.5
assert result["stop_loss_pct"] == 0.035
assert result["time_stop_days"] == 5
这条钳制与评审规则严格对应:C5 Exit Calibration 中 take_profit_rr < 1.5 直接判 fail(10 分),stop_loss_pct > 0.15 同样 fail。脚本内置的穷举测试 test_c5_bounds_all_combinations 遍历全部假设类型 × 全部风险档位的组合,断言两条不变式始终成立:
assert result["take_profit_rr"] >= dsd.RR_FLOOR
assert result["stop_loss_pct"] <= 0.15
止损一侧之所以天然安全,是因为最大乘数为 1.15,最高档 0.09 × 1.15 = 0.1035,仍在 0.15 以内。
9. 入场条件模板:四个 family 的默认表达式
当概念没有提供 support.representative_conditions 时,脚本回落到 ENTRY_TEMPLATE 的默认条件;无论是否回落,trend_filter 都取自对应模板。
entry_family |
conditions |
trend_filter |
|---|---|---|
pivot_breakout |
close > high20_prev、rel_volume >= 1.5、close > ma50 > ma200 |
price > sma_200、price > sma_50、sma_50 > sma_200 |
gap_up_continuation |
gap_up_detected、close_above_gap_day_high、volume > 2.0 * avg_volume_50 |
price > sma_200、price > sma_50、sma_50 > sma_200 |
panic_reversal |
ret_1d <= -0.07、rel_volume >= 1.8、close > 0.85 * ma200 |
price > sma_200 * 0.85、no_fresh_breakdown_below_ma200 |
news_reaction |
abs_reaction_1d >= 0.06、rel_volume >= 2.0、close_pos >= 0.4 |
validate_follow_through_d2、volume_confirmation_present |
条件合并顺序的细节在 build_draft() 中:
representative_conditions = support.get("representative_conditions", [])
if isinstance(representative_conditions, list):
merged_conditions = [c for c in representative_conditions if isinstance(c, str) and c.strip()]
else:
merged_conditions = []
if not merged_conditions:
merged_conditions = list(entry_template.get("conditions", []))
即:概念自带条件优先,但只接受“非空字符串”条目;一旦全部被过滤(例如 ["", " ", 5, None]),就整体回落到模板条件,而不是产出半空的列表。representative_conditions 是字符串而非列表时同样回落。
如果 recommended_entry_family 缺失、为 None、为整数、或不在四个模板家族内,resolve_entry_settings() 返回 ("research_only", {"conditions": [], "trend_filter": []}, False),草稿的 entry_family 即为 research_only,且 export_ready_v1 为 False。
10. 产出物:draft YAML 的结构与字段来源
每份 draft 写入 <output_dir>/<draft_id>.yaml,draft_id = sanitize_identifier(f"draft_{concept_id}_{variant}")。sanitize_identifier() 会把非字母数字字符折叠为下划线、压缩连续下划线、转小写,空结果兜底为 draft。因此 My Concept/1 + core 得到 draft_my_concept_1_core。
完整结构(来自 strategy_draft_schema.md):
id: draft_edge_concept_breakout_behavior_riskon_core
as_of: "2026-02-20"
concept_id: edge_concept_breakout_behavior_riskon
variant: core
risk_profile: balanced
name: Participation-backed trend breakout (core)
hypothesis_type: breakout
mechanism_tag: behavior
regime: RiskOn
export_ready_v1: true
entry_family: pivot_breakout
entry:
conditions:
- close > high20_prev
- rel_volume >= 1.5
trend_filter:
- price > sma_200
exit:
stop_loss_pct: 0.07
take_profit_rr: 3.0
time_stop_days: 20
risk:
position_sizing: fixed_risk
risk_per_trade: 0.01
max_positions: 5
validation_plan:
period: 2016-01-01 to latest
hold_days: [5, 20, 60]
success_criteria:
- expected_value_after_costs > 0
原文档有一句关键说明:risk_profile 会被持久化到每份草稿中,用于追溯仓位与限额决策。这在事后复盘时非常重要——同一个概念可能在不同风险档位下产出完全不同的仓位数字,只保留 risk 块会丢失“为什么是这个数”的线索。
对照源码,schema 示例之外还有几处固定值需要知道:
entry.note:写入变体的entry_filter_note,例如core是Use baseline confirmation and trend filter.;risk块恒为position_sizing: fixed_risk、max_sector_exposure: 0.3、sector_group_by: sector;validation_plan恒为period: 2016-01-01 to latest、entry_timing: next_open、hold_days: [5, 20, 60],成功标准固定三条(expected_value_after_costs > 0、跨 regime 与子区间稳定、通过 pipeline phase1 门槛);thesis取自abstraction.thesis,invalidation_signals取自abstraction.invalidation_signals;abstraction不是 dict 时分别退化为""与[];- 缺失字段有默认值:
hypothesis_type→unknown,mechanism_tag→uncertain,regime→Unknown,name→<title 或 concept_id> (<variant>)。
validation_plan 里 entry_timing: next_open 这类设定不是装饰——它明确要求回测按“次日开盘”成交,避免用当日收盘信号当日收盘成交造成的隐性前视偏差。
11. 运行清单 run_manifest.json
每次运行都会在输出目录写 run_manifest.json:
{
"generated_at_utc": "2026-11-14T13:49:42+00:00",
"concepts_file": "/tmp/edge-concepts/edge_concepts.yaml",
"risk_profile": "balanced",
"draft_count": 3,
"exportable_ticket_count": 2,
"output_dir": "/tmp/strategy-drafts",
"exportable_tickets_dir": "/tmp/exportable-tickets"
}
测试对时间格式做了正则约束:^\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}\+00:00$,即 UTC、秒级、无微秒。未指定 --exportable-tickets-dir 时该字段为 null。这份清单是判断“这一批草稿是用哪份概念文件、哪个风险档位生成的”的唯一权威记录,建议与草稿目录一起归档。
12. 可导出票据:从 draft 到 export_candidate.py
只有 export_ready_v1 为真的草稿才会被转换成票据,写入 <exportable_tickets_dir>/<ticket_id>.yaml,其中 ticket_id = sanitize_identifier(draft_id.replace("draft_", "edge_")),例如 draft_c1_core → edge_c1_core。
12.1 票据结构
id: edge_c1_core
name: Title c1 (core)
description: Draft-derived ticket from concept c1 (core).
hypothesis_type: breakout
entry_family: pivot_breakout
mechanism_tag: behavior
regime: RiskOn
holding_horizon: 20D
entry:
conditions: [...]
trend_filter: [...]
risk:
position_sizing: fixed_risk
risk_per_trade: 0.01
max_positions: 5
max_sector_exposure: 0.3
sector_group_by: sector
exit:
stop_loss_pct: 0.0595
take_profit_rr: 3.0
cost_model:
commission_per_share: 0.0
slippage_bps: 5
几个容易踩的细节:
exit只保留stop_loss_pct与take_profit_rr,time_stop_days与trailing_stop_hint不会进入票据。也就是说时间止损信息在导出这一步被丢弃,若下游策略引擎依赖它,需要在票据之外单独保留 draft。holding_horizon硬编码为20D,与validation_plan.hold_days中的 20 日一档呼应,但对 5 日(panic_reversal)或 60 日假设而言并非精确表达。cost_model恒为 0 佣金 + 5 bps 滑点,与下游export_candidate.py的DEFAULT_COST_MODEL完全一致(见 export_candidate.py)。- 票内部带有校准后的出场参数:测试
test_export_ticket_preserves_calibrated_exit断言ticket["exit"]["stop_loss_pct"] ≈ 0.0595、take_profit_rr == 3.0,即第 8 节的校准结果一路传导,不会被默认值0.07 / 3.0覆盖。
12.2 未知假设类型的补映射
若概念缺失 hypothesis_type,draft 记为 unknown;导票时按 entry_family 做一次兜底推断:
if entry_family == "pivot_breakout" and hypothesis_type == "unknown":
hypothesis_type = "breakout"
if entry_family == "gap_up_continuation" and hypothesis_type == "unknown":
hypothesis_type = "earnings_drift"
news_reaction、panic_reversal 家族则不会推断,保持 unknown(三条行为各有独立测试)。这意味着如果你希望下游报表按假设类型聚合,最好在概念层就把 hypothesis_type 填准,而不是依赖这层补丁。
12.3 交接给导出器
原文档第 7 步写明:把可导出票据交给 skills/edge-candidate-agent/scripts/export_candidate.py。该脚本的入参为 --ticket(票据 YAML 路径)等,并依赖 candidate_contract 做 validate_ticket_payload / validate_interface_contract 校验,再补上 DEFAULT_UNIVERSE(us_equities / sp500 / avg_volume > 500_000、price > 10)、DEFAULT_DATA(daily、lookback_years: 8)与 DEFAULT_PROMOTION_GATES(min_trades: 200、max_drawdown: 0.15、sharpe: 1.0、profit_factor: 1.2)等默认值。设计器产出的票据刻意只包含“与策略本身相关”的字段(入场、风险、出场、成本),把universe、数据区间、晋升门槛留给导出层补齐——这样同一份票据可以在不同universe下重复导出。
13. 默认可导出家族与评审规则的口径差异
这是阅读源码时值得记录的边界,而非设计缺陷,但会直接影响你的产出是否被评审拦下:
- 设计器
DEFAULT_EXPORTABLE_FAMILIES = {"pivot_breakout", "gap_up_continuation", "panic_reversal", "news_reaction"}; - 评审技能
C7 Execution Realism中的EXPORTABLE_FAMILIES = {"pivot_breakout", "gap_up_continuation"},且规则为“export_ready_v1=true但entry_family不在该集合内 → fail(10 分)”。
两条集合并不相同。因此当概念推荐 panic_reversal 或 news_reaction 时,设计器会给出 export_ready_v1: true 并生成票据,但评审的 C7 会判失败。稳妥的做法是显式收敛:
python3 skills/edge-strategy-designer/scripts/design_strategy_drafts.py \
--concepts /tmp/edge-concepts/edge_concepts.yaml \
--output-dir /tmp/strategy-drafts \
--exportable-tickets-dir /tmp/exportable-tickets \
--exportable-families pivot_breakout,gap_up_continuation
使用 --exportable-families 后,非白名单家族的概念会被 resolve_variants() 降级为 research_probe,同时 build_draft() 也会把 export_ready_v1 置为 False,两处口径就与评审对齐了。测试 test_main_exportable_families_override 完整验证了这一效果:pivot_breakout 概念在白名单为 news_reaction 时只生成 draft_a_research_probe.yaml(且 export_ready_v1: False),而 news_reaction 概念照常生成 core/conservative 与两张票据。
14. 一个需要留意的实现细节:export_ready_v1 的双重来源
resolve_variants() 读的是概念里的 strategy_design.export_ready_v1,而 build_draft() 里的 export_ready_v1 实际来自 resolve_entry_settings() 的第三个返回值——也就是“家族是否命中 ENTRY_TEMPLATE”,并未再查一次概念标记:
"export_ready_v1": bool(
export_ready
and entry_family in (exportable_families if exportable_families is not None else DEFAULT_EXPORTABLE_FAMILIES)
),
后果是:一个概念即便写了 export_ready_v1: false,只要 recommended_entry_family 属于模板家族,其 research_probe 草稿仍会被标为 export_ready_v1: true。测试 test_build_draft_ignores_concept_export_flag_for_known_family 明确把这一行为标注为 “characterization, not intended behavior”,并用断言固定下来。
实践建议:如果某个概念的家族已知可用但你希望暂不导出,不要只依赖概念上的 export_ready_v1: false,应通过 --exportable-families 做集合级约束,或把 recommended_entry_family 置空使其退化为 research_only。
15. 错误处理与可观测性
| 场景 | 行为 | 退出码 |
|---|---|---|
--concepts 文件不存在 |
stderr 输出 [ERROR] concepts file not found: <绝对路径>,不创建输出目录 |
1 |
顶层不是映射(如 - 1\n- 2) |
[ERROR] concept file must be a mapping |
1 |
缺少 concepts 或类型不是列表 |
[ERROR] concept file must contain concepts list |
1 |
| 文件可解析但无有效概念 | [ERROR] no concepts available in file |
1 |
部分概念缺 id |
静默跳过,其余正常处理 | 0 |
缺少 --concepts / 非法 --risk-profile |
argparse 报错 | 2 |
“不创建输出目录”这一点由测试 test_main_missing_concepts_file 断言(assert not (tmp_path / "o").exists()),说明错误路径不会留下空壳目录污染工作区。而 test_main_creates_nested_output_dirs 则验证:即便最终没有任何可导出票据,只要运行成功,exportable-tickets-dir 仍会被创建为空目录并写入 run_manifest.json。
另外,内部函数 build_draft() 对非法的 risk_profile 或 variant 会直接抛 KeyError(RISK_PROFILES[...] / VARIANT_OVERRIDES[...]),没有额外包装。由于 CLI 层已用 choices 与固定变体列表限制取值,实际使用中不会触发;但如果你把 design_strategy_drafts 当作库来调用,需要自行保证入参合法。
16. 测试覆盖与本地验证
该技能的测试放在 scripts/tests/ 下,分为行为测试与覆盖补齐两部分:
- test_design_strategy_drafts.py:出场校准主路径(breakout / earnings_drift / panic_reversal / aggressive / 未知类型兜底)、票据继承校准值、
C5全组合边界、trailing_stop_hint的有无。 - test_design_strategy_drafts_coverage.py:
sanitize_identifier/safe_float参数化用例、load_concepts的五种输入形态、变体解析、入场设置解析、build_draft全字段断言、风险缩放矩阵、票据字段与兜底映射、parse_args默认值与拒绝路径、main()端到端的目录/清单/降级行为。
如需本地复跑,可只针对该技能的测试目录执行(仓库根目录下):
python3 -m pytest skills/edge-strategy-designer/scripts/tests -q
这些测试的价值不止于回归:它们实际上是这份文档的可执行规格。例如“未知假设类型的兜底到底是 10 天还是 20 天”“max_positions 会不会掉到 0”“票据里的止损是校准前还是校准后”,都能从断言里得到确定答案,无需猜测。
17. 小结
edge-strategy-designer 是一个职责极其克制的技能:输入一份概念 YAML,输出一组带风险画像的 draft YAML、一份运行清单,以及(可选的)供下游导出的票据。它把“策略设计”里最容易含糊的三件事变成了常量与公式——
- 仓位:3 档风险 × 3 种变体乘数,算出确定的
risk_per_trade与max_positions; - 出场:8 种假设类型的止损乘数、赔率增减、时间止损天数,再用
RR_FLOOR=1.5与 0.15 止损上限守住评审红线; - 可导出性:家族白名单 +
--exportable-families覆盖,决定一份概念是走core/conservative双变体还是降级为单一research_probe。
使用时把注意力放在两处:概念层的 hypothesis_type 与 recommended_entry_family 是否填准(它们决定校准曲线和导出资格),以及是否需要显式收敛 --exportable-families 以对齐评审 C7 家族的判定口径。做到这两点,这一层的输出就能顺畅流经 edge-strategy-reviewer 的 C1–C8 评分,并最终交给 export_candidate.py 生成可回测的候选策略。